【技术实现步骤摘要】
本专利技术属于图像去噪领域，尤其涉及一种基于多尺度神经网络的癌症图像去噪方法与系统。
技术介绍
1、癌症图像去噪是一个具有挑战性的技术问题。首先，癌症图像通常包含复杂的组织结构和纹理特征，噪声会干扰这些关键的图像信息，导致后续的分析和诊断出现偏差。其次，不同类型的癌症图像在噪声的类型、强度和分布上存在差异，去噪算法需要能够自适应地处理这些变化。再者，癌症图像的尺寸和分辨率不尽相同，去噪方法需要在不同尺度上提取和融合特征，以充分利用图像信息。同时，癌症图像的获取过程中可能引入各种伪影和失真，去噪过程需要能够有效地区分和消除这些干扰。最后，实际应用中癌症图像的质量参差不齐，存在过曝、欠曝、运动模糊等情况，去噪系统需要具备较强的鲁棒性和泛化能力。综上所述，癌症图像去噪需要考虑噪声的多样性、图像的复杂性、尺度的变化性、干扰的多源性以及实际应用的鲁棒性等因素，这对去噪方法和系统的设计提出了较高的要求。
技术实现思路
1、为解决上述技术问题，本专利技术提供了一种基于多尺度神经网络的癌症图像去噪方法与系统。其中，一种基于多尺度神经网络的癌症图像去噪方法，包括：
2、对癌症图像进行自适应分割，将图像划分为不同区域，对分割后的各区域进行噪声估计和统计分析，自动调整去噪算法参数；
3、采用小波变换和金字塔分解进行多尺度特征提取，在不同尺度空间下对调整参数后的图像进行分析和处理；
4、通过特征融合充分利用图像局部信息和全局信息，对多尺度处理后的图像进行质量评估和失真检
5、对所述校正图像应用直方图均衡化和对比度受限自适应直方图均衡化后，作为模型训练输入对卷积神经网络模型进行训练；
6、使用卷积神经网络结合稀疏表示和字典学习算法，通过癌症图像样本训练和优化，学习噪声和干扰特征模式；
7、对训练得到的目标卷积神经网络模型进行交叉验证和性能评估，选择最优模型应用于增强后的图像，进行去噪处理，得到去噪结果。
8、优选地，对癌症图像进行自适应分割，将图像划分为不同区域的过程包括：
9、获取癌症图像，采用自适应分割算法，根据图像的局部特征和纹理信息，将图像划分为不同的区域，得到分割后的子区域；
10、针对每个子区域，提取所述子区域的纹理特征、灰度特征和对比度特征，获得所述子区域的特征向量；
11、根据预先建立的去噪方法库，对每个子区域的特征向量进行匹配，获得对应子区域的去噪方法。
12、优选地，对分割后的各区域进行噪声估计和统计分析，自动调整去噪算法参数的过程包括：
13、根据图像分割结果，获取各个分割区域的图像数据，针对每个区域进行噪声估计，得到所述区域的噪声类型、强度和分布特征；
14、对各区域的噪声参数进行统计分析，计算不同区域之间噪声参数的差异性，判断是否存在明显的噪声分布差异；
15、若存在明显的区域间噪声分布差异，则针对不同区域的噪声特征，从预设的去噪算法参数范围中选择最优的参数组合，得到适配各区域噪声特征的去噪算法参数；
16、采用自适应优化策略，通过迭代优化方法，不断调整各区域的去噪算法参数，最小化去噪后图像的噪声残留和细节损失，得到各区域的最优去噪算法参数组合。
17、优选地，采用小波变换和金字塔分解进行多尺度特征提取，在不同尺度空间下对调整参数后的图像进行分析和处理的过程包括：
18、采用小波变换算法，对图像进行多尺度分解，得到不同尺度下的小波系数；
19、在每个尺度下，根据预设的阈值，对小波系数进行阈值处理，去除噪声和冗余信息，得到处理后的小波系数；
20、针对处理后的小波系数，采用金字塔分解算法，在不同尺度空间下提取图像的局部和全局特征，得到多尺度特征集合；
21、根据预设的特征选择规则，从多尺度特征集合中筛选出对图像分析和处理最有效的特征子集，得到优化后的多尺度特征。
22、优选地，通过特征融合充分利用图像局部信息和全局信息，对多尺度处理后的图像进行质量评估和失真检测，自动识别和定位伪影与失真的过程包括：
23、将优化后的多尺度特征输入到特征融合模型中，通过特征加权和特征拼接，实现局部信息和全局信息的充分利用和融合，得到融合后的图像特征表示；
24、基于所述融合后的图像特征表示，根据预设的图像质量评估指标，采用支持向量机算法对融合后的图像进行质量评估，得到图像质量评分；
25、根据所述图像质量评分，判断图像是否存在失真，若存在失真，则进一步提取图像的多尺度特征，采用卷积神经网络算法对多尺度特征进行分析，自动识别失真类型；
26、针对识别出的失真类型，采用基于小波变换的多尺度分解方法，将图像分解为多个尺度子图，在各个尺度子图上检测失真区域，得到失真区域的位置坐标。
27、优选地，采用点扩散函数反演和维纳滤波方法，校正和补偿干扰，获得校正图像的过程包括：
28、根据失真区域的位置坐标，提取对应区域的图像块，通过求解点扩散函数的反问题，估计区域的点扩散函数参数，得到失真的点扩散函数模型；
29、通过所述点扩散函数模型对失真区域的图像块进行反卷积处理，消除点扩散效应引起的失真，得到校正后的图像块；
30、在频域对校正后的图像块进行维纳滤波处理，抑制噪声干扰，得到滤波后的图像块；
31、将滤波后的图像块替换回原始图像对应位置，完成失真区域的校正和补偿，输出校正补偿后的高质量图像。
32、优选地，对所述校正图像应用直方图均衡化和对比度受限自适应直方图均衡化的过程包括：
33、对所述校正图像进行直方图均衡化处理，得到第一均衡化图像；
34、采用对比度受限自适应直方图均衡化算法，对所述第一均衡化图像进行处理，得到第二均衡化图像；
35、通过计算所述第二均衡化图像的对比度和清晰度指标，判断是否满足预设的对比度阈值和清晰度阈值，若满足，则确定第二均衡化图像为优化后的图像；
36、若所述第二均衡化图像的对比度和清晰度指标不满足预设阈值，则根据第二均衡化图像的直方图分布特征，自适应调整对比度受限自适应直方图均衡化算法的参数，重新对第一均衡化图像进行处理，直至得到满足预设对比度和清晰度阈值的第三均衡化图像；
37、将满足预设对比度和清晰度阈值的均衡化图像作为优化后的图像，获取优化后图像的图像质量评价指标；所述优化后图像的图像质量评价指标包括对比度、清晰度、色彩饱和度。
38、优选地，使用卷积神经网络结合稀疏表示和字典学习算法，通过癌症图像样本训练和优化，学习噪声和干扰特征模式的过程包括：
39、针对癌症图像的特点设计模型网络结构和模型参数，构建卷积神经网络模型；
40、在所述卷积神经网络模型的基础上本文档来自技高网...
【技术保护点】
1.一种基于多尺度神经网络的癌症图像去噪方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，
3.根据权利要求1所述的方法，其特征在于，
4.根据权利要求1所述的方法，其特征在于，
5.根据权利要求1所述的方法，其特征在于，
6.根据权利要求1所述的方法，其特征在于，
7.根据权利要求1所述的方法，其特征在于，
8.根据权利要求1所述的方法，其特征在于，
9.根据权利要求1所述的方法，其特征在于，
10.一种基于多尺度神经网络的癌症图像去噪系统，其特征在于，包括：
【技术特征摘要】
1.一种基于多尺度神经网络的癌症图像去噪方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，
3.根据权利要求1所述的方法，其特征在于，
4.根据权利要求1所述的方法，其特征在于，
5.根据权利要求1所述的方法，其特征在于，
...【专利技术属性】
技术研发人员：王颖，汝吉东，邢晓双，蒋廷旺，宋占科，龚兰兰，谢从华，周思林，周蓓，沈建，
申请(专利权)人：常熟理工学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。